徐丹蕾,杜 蘭,王鵬輝,劉宏偉

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

?

采用多任務(wù)稀疏學(xué)習(xí)的雷達(dá)HRRP小樣本目標(biāo)識(shí)別

徐丹蕾,杜 蘭,王鵬輝,劉宏偉

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

摘要:為實(shí)現(xiàn)用較少的訓(xùn)練樣本對(duì)高分辨距離像進(jìn)行識(shí)別,文中提出一種采用多任務(wù)稀疏學(xué)習(xí)的統(tǒng)計(jì)建模方法.該方法將各幀訓(xùn)練樣本的統(tǒng)計(jì)建模視為單一的任務(wù),由于各幀訓(xùn)練樣本間不是完全獨(dú)立而是相互關(guān)聯(lián)的,因此,設(shè)定所有幀的訓(xùn)練樣本采用同一個(gè)字典以實(shí)現(xiàn)幀間信息的共享.由于目標(biāo)的不同以及同一目標(biāo)的方位敏感性,通常很難確定各訓(xùn)練幀的相關(guān)性,而不相關(guān)任務(wù)間的聯(lián)合學(xué)習(xí)將會(huì)降低識(shí)別性能.因此,采用Bernoulli-Beta先驗(yàn)根據(jù)給定訓(xùn)練數(shù)據(jù)自動(dòng)學(xué)出每一幀需要的原子,而通過不同幀間共享的原子個(gè)數(shù)就可以判斷它們的相關(guān)性,從而實(shí)現(xiàn)自適應(yīng)的多任務(wù)學(xué)習(xí).基于實(shí)測(cè)高分辨距離像數(shù)據(jù)的識(shí)別實(shí)驗(yàn),證明了文中方法的有效性.

關(guān)鍵詞:雷達(dá)目標(biāo)識(shí)別;高分辨距離像;稀疏貝葉斯;多任務(wù)學(xué)習(xí)

隨著現(xiàn)代戰(zhàn)爭(zhēng)先進(jìn)技術(shù)的發(fā)展,軍方對(duì)雷達(dá)目標(biāo)識(shí)別技術(shù)的需求愈加強(qiáng)烈.雷達(dá)高分辨距離像(High Resolution Range Profile,HRRP)[1-2]是用寬帶雷達(dá)信號(hào)獲取的目標(biāo)散射點(diǎn)子回波在雷達(dá)射線上投影的向量和,具有豐富的目標(biāo)距離向幾何結(jié)構(gòu)信息,因此,在目標(biāo)識(shí)別領(lǐng)域得到了廣泛的應(yīng)用.

基于貝葉斯理論的統(tǒng)計(jì)識(shí)別方法[3]是以測(cè)試樣本在各類別下的后驗(yàn)概率為依據(jù)確定其類別的,被廣泛地用于HRRP的識(shí)別.常用的統(tǒng)計(jì)建模方法[2]有自適應(yīng)高斯分類器(Adaptive Gaussian Classifier,AGC)模型,Gamma Mixture模型,Gamma-Gaussian Mixture模型,以及因子分析(Factor Analysis,FA)模型等.其中前3種模型的自由參數(shù)較少,可用于小樣本建模,但它們對(duì)HRRP的統(tǒng)計(jì)特性描述不全面,限制了其識(shí)別性能.FA模型對(duì)HRRP有更精確的描述,通常有較好的識(shí)別性能,但需要足夠多的訓(xùn)練樣本.然而在實(shí)際應(yīng)用中,當(dāng)雷達(dá)的脈沖重復(fù)頻率較低或目標(biāo)為先進(jìn)的非合作目標(biāo)時(shí),通常很難獲得足夠多的訓(xùn)練樣本.因此,如何利用較少的訓(xùn)練樣本對(duì)HRRP進(jìn)行充分的統(tǒng)計(jì)建模是目標(biāo)識(shí)別技術(shù)面臨的一個(gè)重要問題.

筆者提出了一種基于多任務(wù)稀疏學(xué)習(xí)的統(tǒng)計(jì)建模方法.多任務(wù)學(xué)習(xí)[4]是通過聯(lián)合學(xué)習(xí)來提高“相關(guān)”任務(wù)的泛化能力.文中將各類目標(biāo)每一方位幀的統(tǒng)計(jì)建模當(dāng)作一個(gè)單任務(wù),當(dāng)一幀的訓(xùn)練樣本比較小時(shí),可以聯(lián)合所有類別的所有幀,使它們共享信息(字典),實(shí)現(xiàn)用較少的訓(xùn)練樣本得到較好的統(tǒng)計(jì)建模.但對(duì)于多任務(wù)學(xué)習(xí),若任務(wù)間是不相關(guān)或相關(guān)性非常小,強(qiáng)制聯(lián)合學(xué)習(xí)不僅不會(huì)增強(qiáng)性能,還會(huì)降低它們的性能.文中雖然不同類的所有幀可以共享一個(gè)字典,但是因?yàn)槟繕?biāo)類別的不同或同一目標(biāo)的方位敏感性,每一幀訓(xùn)練樣本的統(tǒng)計(jì)特性一般不同.因此,文中限制同一任務(wù)的樣本共享字典的一些原子,但是不同任務(wù)的原子相同與否,可以利用Bernoulli-Beta先驗(yàn)[5-6]自動(dòng)稀疏學(xué)習(xí),這樣就可以根據(jù)給定數(shù)據(jù)自動(dòng)確定不同任務(wù)的原子,而不同任務(wù)間共享的原子的個(gè)數(shù)就可以用來表征它們的相關(guān)性,即實(shí)現(xiàn)了自適應(yīng)的多任務(wù)學(xué)習(xí).

1 采用多任務(wù)稀疏學(xué)習(xí)的HRRP統(tǒng)計(jì)建模

1.1 HRRP數(shù)據(jù)的預(yù)處理

對(duì)HRRP數(shù)據(jù),首先要解決的是方位敏感性、幅度敏感性以及平移敏感性[1-2].方位敏感性,即當(dāng)目標(biāo)轉(zhuǎn)動(dòng)角度較大時(shí),散射點(diǎn)的越距離單元走動(dòng)(Migration Through Resolution Cell,MTRC),常用解決方法是在目標(biāo)散射點(diǎn)不發(fā)生MTRC所允許的最大方位角內(nèi),對(duì)訓(xùn)練樣本進(jìn)行均勻分幀.對(duì)于幅度敏感性,通常采用HRRP的模2范數(shù)對(duì)幅度進(jìn)行歸一解決.為解決平移敏感性,可以采用提取平移不變特征的方法,具體為功率譜特征[7].與原始HRRP相比,功率譜特征維度低,能顯著降低運(yùn)算量和存儲(chǔ)量.

1.2 采用多任務(wù)稀疏學(xué)習(xí)的統(tǒng)計(jì)建模

為了讓二進(jìn)制變量z(v,m)實(shí)現(xiàn)自動(dòng)稀疏,使用Bernoulli-Beta先驗(yàn),它是Beta過程的有限近似[5-6],即

1.3 變分貝葉斯推導(dǎo)

算法1 采用VB推導(dǎo)的多任務(wù)稀疏學(xué)習(xí)模型參數(shù)更新.

初始化:θ←θ0;i=0;h=1;L(1)=∫q(Ψ)ln ( p(D,Ψ)q(Ψ))dΨ.While h≥ζ

2 HRRP測(cè)試樣本的分類

貝葉斯分類器是根據(jù)測(cè)試樣本在各類別下的類后驗(yàn)概率大小來確定其類別的.對(duì)于HRRP數(shù)據(jù),由于方位敏感性,需要求出每一訓(xùn)練幀的概率密度函數(shù)p(x|v,m),即

3 實(shí)驗(yàn)結(jié)果與分析

表1 ISAR飛機(jī)參數(shù)　m

3.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)使用實(shí)測(cè)逆合成孔徑雷達(dá)(Inverse Synthetic Aperture Radar,ISAR)飛機(jī)數(shù)據(jù)[1-3],其信號(hào)中心頻率為5 520 MHz,帶寬為400 MHz,表1為飛機(jī)的參數(shù),圖1是3類飛機(jī)飛行軌跡在地平面的投影,其中數(shù)字表示不同的數(shù)據(jù)段,每段數(shù)據(jù)有26 000個(gè)HRRP樣本,每個(gè)HRRP包含256個(gè)距離單元.其中“雅克-42”的2、5段,“獎(jiǎng)狀”的6、7段數(shù)據(jù)和“安-26”的5、6段作為訓(xùn)練樣本,其他各段等間隔抽出5 200個(gè)HRRP作為測(cè)試樣本.對(duì)HRRP數(shù)據(jù)進(jìn)行預(yù)處理,令N=1 024,則V=3,M1=35,M2=M3=50,L=256/2+1=129.

3.2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證訓(xùn)練樣本集大小對(duì)各方法識(shí)別性能的影響,圖2給出了AGC,FA和文中方法的識(shí)別性能隨著訓(xùn)練樣本幀大小的變化情況.本實(shí)驗(yàn)從訓(xùn)練數(shù)據(jù)各幀中隨機(jī)挑選相同數(shù)量的樣本構(gòu)成訓(xùn)練樣本集.從圖2中可以看出,對(duì)于FA,由于它增加了一些模型自由度來描述HRRP不同距離間的相關(guān)性,當(dāng)每幀訓(xùn)練樣本數(shù)較多時(shí),它對(duì)數(shù)據(jù)的描述精度高,識(shí)別性能較好,但當(dāng)每幀訓(xùn)練樣本減少時(shí),對(duì)參數(shù)描述精度下降,識(shí)別性能迅速惡化,當(dāng)每幀樣本數(shù)少于20時(shí),協(xié)方差矩的估計(jì)陣接近奇異,基本失去識(shí)別能力.而AGC由于模型自由度較少,每幀訓(xùn)練樣本數(shù)的變化對(duì)識(shí)別結(jié)果影響不大,當(dāng)每幀訓(xùn)練樣本較多時(shí),識(shí)別率要低于FA,而當(dāng)每幀訓(xùn)練樣本減少時(shí),基于同樣的原因,其識(shí)別性能要好于FA.相比于FA和AGC,文中提出的多任務(wù)識(shí)別方法通過信息共享降低了模型自由度,當(dāng)每幀訓(xùn)練樣本數(shù)比較少時(shí),仍能得到較理想的識(shí)別效果.另外,隨著每幀訓(xùn)練樣本數(shù)的減少,文中方法的識(shí)別性能并沒有特別明顯的變化,表明文中方法對(duì)于訓(xùn)練樣本集的大小有比較穩(wěn)健的識(shí)別性能.

圖1 3類飛機(jī)的平面航跡

圖2 隨著每幀訓(xùn)練樣本數(shù)變化,3種方法識(shí)別性能比較

圖3 訓(xùn)練樣本每一幀z(v,m)原子學(xué)習(xí)情況

由于文中多任務(wù)學(xué)習(xí)利用各幀間共享的原子個(gè)數(shù)來判斷它們的相關(guān)性,因此,圖3給出了每幀訓(xùn)練樣本數(shù)N=5時(shí)的原子學(xué)習(xí)情況,也即z(v,m)的學(xué)習(xí)結(jié)果,其中橫坐標(biāo)前35幀為雅克-42,中間50幀為獎(jiǎng)狀,剩余幀為安-26.從圖3中可以看出,每幀訓(xùn)練樣本學(xué)出的原子個(gè)數(shù)要遠(yuǎn)小于預(yù)設(shè)的原子個(gè)數(shù)K=129,證明了文中方法能夠自動(dòng)確定需要的原子;另外,文中多任務(wù)學(xué)習(xí)設(shè)定每一幀共享同樣的原子,但不同幀間的原子共享由數(shù)據(jù)自動(dòng)學(xué)出.圖3中盡管每一幀的原子不盡相同,但是不同幀之間會(huì)共享一些原子,表明了文中方法能自動(dòng)地利用不同幀間的相關(guān)性進(jìn)行多任務(wù)學(xué)習(xí),實(shí)現(xiàn)了不同幀間信息的合理共享利用.

4 結(jié)束語

為了保證較少訓(xùn)練樣本條件下對(duì)HRRP的識(shí)別性能,筆者提出了一種基于多任務(wù)稀疏學(xué)習(xí)的統(tǒng)計(jì)建模方法.該方法設(shè)定不同的HRRP幀間共享一個(gè)高維字典,但是不同幀間的原子可以不同,是由數(shù)據(jù)自動(dòng)學(xué)出,并且可以根據(jù)不同幀間共享的原子個(gè)數(shù)來判定它們的相關(guān)性.基于實(shí)測(cè)HRRP數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,文中方法在訓(xùn)練樣本數(shù)較少的情況下仍能得到較好的識(shí)別效果,證明了文中方法的有效性.

參考文獻(xiàn):

[1]DU L,LIU H W,BAO Z,et al.A Two-distribution Compounded Statistical Model for Radar HRRP Target Recognition[J].IEEE Transactions on Signal Processing,2006,54(6):2226-2238.

[2]王鵬輝.基于統(tǒng)計(jì)建模的雷達(dá)高分辨距離像目標(biāo)識(shí)別方法研究[D].西安:西安電子科技大學(xué),2012.

[3]DU L,LIU H W,BAO Z.Radar HRRP Statistical Recognition:Parameter Model and Model Selection[J].IEEETransactions on Signal Processing,2008,56(5):1931-1944.

[4]GUPTA S K,PHUNG D,VENKATESH V.Factorial Multi-task Learning:a Bayesian Nonparametric Approach [C]//Proceedings of the 30th International Conference on Machine Learning.Atlanta:IMLS,2013:1694-1702.

[5]ZHOU M,CHEN H,PAISLEY J,et al.Nonparametric Bayesian Dictionary Learning for Analysis of Noisy and Incomplete Images[J].IEEE Transaction on Image Processing,2012,21(1):130-144.

[6]PAISLEY J,CARIN L.Nonparametric Factor Analysis with Beta Process Priors[C]//Proceedings of the 26th International Conference on Machine Learning.New York:ACM,2009:777-784.

[7]李志鵬,馬田香,杜蘭,等.在雷達(dá)HRRP識(shí)別中多特征融合多類分類器設(shè)計(jì)[J].西安電子科技大學(xué)學(xué)報(bào),2013,40 (1):111-117.LI Zhipeng,MA Tianxiang,DU Lan,et al.Multi-class Classifier Design for Feature Fusion in Radar HRRP Recognition[J].Journal of Xidian University,2013,40(1):111-117.

[8]BEAL M J.Variational Algorithms for Approximate Bayesian Inference[D].London:University of London,2003.

(編輯:李恩科)

Radar HRRP target recognition by utilizing multitask sparse learning with a small training data size

XU Danlei,DU Lan,WANG Penghui,LIU Hongwei
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

Abstract:A statistical modeling method based on multitask sparse learning is proposed to realize the recognition of the high resolution range profile(HRRP) with a small training data size.The statistical modeling of each training aspect-frame is considered as a single task in our method.Since the training aspect-frames are not independent but inter-related,they can share a compact dictionary to make full use of the information.However,with the different targets and the aspect sensitivity of the same target,it is usually hard to assess the task relatedness,and joint learning with unrelated tasks may degrade the recognition performance.Therefore,we adopt the Bernoulli-Beta prior to learn the needed atoms of each aspect-frame automatically with the given training data.Then the relatedness between frames is determined by the number of shared atoms,and multitask learning can be realized adaptively.The recognition experiments of the measured HRRP data demonstrate the performance of the proposed method.

Key Words:radar target recognition;HRRP;sparse Bayesian;multitask learning

作者簡(jiǎn)介:徐丹蕾(1985-),女,西安電子科技大學(xué)博士研究生,E-mail:xdlei5258@163.com.

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61271024,61201296,61322103);全國(guó)優(yōu)秀博士學(xué)位論文作者專項(xiàng)資金資助項(xiàng)目(FANEDD-201156);中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(K5051302010)

收稿日期:2014-10-31 網(wǎng)絡(luò)出版時(shí)間:2015-05-21

doi:10.3969/j.issn.1001-2400.2016.02.005

中圖分類號(hào):TN959.1+7

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1001-2400(2016)02-0023-06

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20150521.0902.002.html